← Accueil actu | Salle du marché
2026-11-13 · Source:MarkTechPost

DeepMind lance AlphaGenome 2, qui prédit l'effet des variants par type cellulaire : le rappel des variants eQTL causaux en cellule unique passe de 16 % à 30 %. Les poids seront publiés après la parution de l'article scientifique.
Google DeepMind a publié AlphaGenome 2, un modèle d'ADN séquence-vers-fonction de type conditionnel, spécialisé dans l'effet des variants au sein de types cellulaires spécifiques. Il lit en une seule fois une fenêtre d'ADN de 1 Mb (1 048 576 paires de bases), chez l'humain comme chez la souris, accompagnée d'un état cellulaire cible, là où la première génération d'AlphaGenome ne faisait que des moyennes sur des tissus en vrac. Le nouveau modèle distingue des types cellulaires très pro phylogénétiquement et s'adapte, sans fine-tuning, à des jeux de données single-cell jamais vus à l'entraînement.
L'architecture reprend un schéma U-Net : un encodeur convolutionnel, 11 blocs transformer et un décodeur ; l'état cellulaire est injecté via une embedding de 256 dimensions passée par des couches FiLM. Les ablations montrent que le conditionnement de l'encodeur et du transformer apporte l'essentiel du gain (conditionner uniquement le décodeur rapporte très peu). Les sorties couvrent la couverture ARN, le CAGE, l'épissage, l'accessibilité de la chromatine, les modifications d'histones, la fixation de facteurs de transcription, les cartes de contact, et incluent pour la première fois la prédiction de méthylation CpG. L'entraînement s'est déroulé en quatre phases : pré-entraînement sur données en vrac plus 3 977 pistes pseudo-bulk ARN et ATAC en cellule unique issues de 36 études ; raffinement conditionnel ne touchant que l'embedding et les couches FiLM ; distillation de 8 enseignants en 1 étudiant ; enfin un post-entraînement mappant dans l'espace conditionnel un encodeur d'expression entraîné sur plus de 100 millions de profils humains de scRNA-seq (provenant majoritairement de CELLxGENE) — le tout mobilisant 2 048 TPU v4.
Benchmarks face à la première génération (eQTL single-cell TenK10K, 28 types de cellules immunitaires) : à 90 % de précision, le rappel des variants causaux passe de 16 % à 30 %, le rappel de la direction d'effet de 23 % à 43 %, avec un AUPRC causal de 0,76 contre 0,72 et un AUC de signe de 0,85 contre 0,79 ; la corrélation de Pearson des changements d'expression inter-tissus sur GTEx grimpe de 0,61 à 0,71, et la variance expliquée en scRNA-seq intra-tissu de 23 % à 34 % ; sur ENCODE-rE2G CRISPRi, l'AUPRC atteint 0,78, devant la première génération (0,73) et l'ensemble Borzoi (0,61), l'écart étant maximal sur les enhanceurs distants (100 à 2 500 kb : 0,62 contre 0,48) ; pour l'imputation de données de détection, il bat la baseline Avocado sur 166 des 181 pistes retenues ; le rappel des variants pathogènes atteint 41 % dans la cohorte Parkinson, contre 17 % seulement pour Scooby, pourtant ajusté sur la cohorte. Point faible : hors chromatine accessible, l'AUROC de prédiction du signe n'est que de 0,63.
Disponibilité et ressources : pour l'instant, uniquement via une API hébergée — clé gratuite sur demande pour la recherche non commerciale, usage commercial en test privé ; les poids du modèle seront mis à disposition après la publication de l'article final ; le paquet Python alphagenome.models.v2 est accompagné d'un tutoriel Colab, avec 256 cellules maximum par appel. DeepMind publie en parallèle des atlas précalculés : des liaisons enhanceur-gène couvrant 640 conditions de cellules primaires, ainsi que les scores d'environ 7 millions de variants communs et GWAS sur 510 conditions.
L'enjeu : faire passer l'interprétation des variants de la moyenne tissulaire à la précision cellulaire. Les chercheurs peuvent définir de nouveaux états cellulaires en fournissant directement des comptages bruts de scRNA-seq, sans réentraînement — un pas vers l'explication spécifique par type cellulaire des variants pathologiques et la médecine de précision.
萬安算交所 AIXX · AIXX · Bourse compute vérifiée · Accéder à la salle